风控基础指标之决策树的特征选择

摘要：目前主要的决策树算法有ID3、C4.5和CART，在各种不同的软件选择使用决策数时，也有分裂依据的指标选择，主要包括熵（Entropy）、基尼不纯度（Gini impurity）和分类误差率（Misclassification）；除了这些指标，C4.5和ID3在对比不同剪枝方法时还会有信息增益和信息增益比。本文以二分类问题为例，主要介绍不同指标的含义、这些指标可以衡量分枝好坏的原因（数学含义及实际含义）以及使用时的注意事项；除此之外，也会介绍信息增益和信息增益比的区别。

首先，构建一个决策树情景，使用网络上耳熟能详的案例（高尔夫球案例）：

Table1. PLAY GOLF DATASET

PLAY GOLF DATASET

ID	OUTLOOK	TEMPERATURE	HUMIDITY	WINDY	PLAY
1	SUNNY	85	85	FALSE	NO
2	SUNNY	80	90	TRUE	NO
3	OVERCAST	83	78	FALSE	YES
4	RAIN	70	96	FALSE	YES
5	RAIN	68	80	FALSE	YES
6	RAIN	65	70	TRUE	NO
7	OVERCAST	64	65	TRUE	YES
8	SUNNY	72	95	FALSE	NO
9	SUNNY	69	70	FALSE	YES
10	RAIN	75	80	FALSE	YES
11	SUNNY	75	70	TRUE	YES
12	OVERCAST	72	90	TRUE	YES
13	OVERCAST	81	75	FALSE	YES
14	RAIN	71	80	TRUE	NO

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

目标变量为是否打高尔夫（PLAY）；

可用变量有天气（OUTLOOK）、气温（TEMPERATURE）、相对湿度（HUMIDITY）和是否有风（WINDY）。

决策树在做特征选择时，依据限制条件，遍历所有特征及所有特征的分法，计算不同分法带来的信息增益或信息增益比，选择满足阈值条件的使信息增益（比）最大的分法。限制条件的类型包含叶结点的样例个数，分枝的枝数等。一般而言，离散变量直接按照离散值做切分，连续变量按照分割值的中位数进行切分。

以高尔夫的例子对数据进行查看，Fig1显示不同的类别在特征outlook和humidity内是如何分布的：

Fig1.Scatterplot of golf playing

注：图中红色代表class为Yes，蓝色代表class为No; Outlook中值0为sunny，值1为overcast，值2为rainy；rainy中h